1.一种基于多层循环图卷积网络的跨域推荐方法，其特征在于，应用于跨域推荐系统，所述跨域推荐系统包括伪重叠判定模块、多层循环图卷积网络模块和预测模块；

所述方法包括：

在所述伪重叠判定模块中，基于源域与目标域的用户‑项目评分矩阵计算用户间的初始相似度、项目间的初始相似度，初始化每个用户为一个社区，采用改进的基于模块度的社区发现算法进行域间社区聚类，在聚类过程中，利用用户间的初始相似度计算社区内部权重和、以及与社区中节点相连边的权重和，再结合社区内重叠用户权重，计算将用户移入所有邻居用户所在社区所产生的模块度增益，然后将用户移入使其获得最大模块度增益的社区，以实现社区集变换，再重新计算社区集变换后的社区内部权重和、以及与社区中节点相连边的权重和，经过预设次数的迭代，使总体社区网络的模块度增益达到最大，从而得到最优社区网络，再基于最优社区网络中的共同邻居计算用户间的最终相似度、项目间的最终相似度，最后基于用户间的最终相似度、项目间的最终相似度得到用户相似度矩阵和项目相似度矩阵；

所述多层循环图卷积网络模块包括嵌入层、图学习层和门控网络层，在所述多层循环图卷积网络模块中，将用户相似度矩阵和项目相似度矩阵作为嵌入层的输入，通过嵌入层输出用户嵌入向量和项目嵌入向量，将用户嵌入向量和项目嵌入向量作为图学习层输入，通过图学习层输出用户‑项目偏好权重，并在图学习层中，采用自适应幅度剪枝策略动态调整用户‑项目偏好权重，基于用户‑项目偏好权重生成源域的域特有节点嵌入向量、目标域的域特有节点嵌入向量、域共享节点嵌入向量，最后利用门控网络层，对源域的域特有节点嵌入向量和域共享节点嵌入向量进行组合，生成源域的组合特征向量，对目标域的域特有节点嵌入向量和域共享节点嵌入向量进行组合，生成目标域的组合特征向量；

将源域的组合特征向量和目标域的组合特征向量输入至所述预测模块中，采用多层感知机分别对源域与目标域的用户‑项目交互建模，输出最终预测交互评分，并根据最终预测交互评分分别向源域与目标域的用户提供项目推荐列表；

采用下式计算用户间的初始相似度：

；

其中， 表示用户u和用户v的初始相似度，ru,i表示用户u对项目i的评分，rv,i是用户v对项目i的评分， 和 分别为用户u、用户v交互项目的平均评分，Iuv表示与用户u和用户v均交互的项目集；

将用户u作为重叠用户，将用户v作为非重叠用户，采用下式计算模块度增益：；

其中， 表示将用户u对应的节点从目前所在社区移入每个邻居节点所在社区c所产生的模块度增益， 表示社区c内部与用户u对应的节点的关联边的权重和，m是社区网络所有边的权重和， 表示与社区c中节点相连边的权重和， 表示与用户u对应的节点的权重， 表示重叠用户集，为重叠用户权重；

采用下式计算用户间的最终相似度：

；

其中， 表示用户u和用户v的最终相似度，表示共同邻居权重， 表示用户u与用户k的初始相似度， 表示用户v与用户k的初始相似度；

所述嵌入层满足以下条件式：

；

；

；

；

其中， 和 分别是第x个嵌入传播层得到的用户嵌入矩阵和项目嵌入矩阵，和 分别是第x+1个嵌入传播层得到的用户嵌入矩阵、项目嵌入矩阵，表示激活函数， 和 分别表示带自连接的用户邻接矩阵和项目邻接矩阵， 表示用户相似度矩阵， 表示项目相似度矩阵，Iu为用户的单位矩阵，Ii为项目的单位矩阵，Du和Di分别为用户的度矩阵和项目的度矩阵， 和 分别是第x个嵌入传播层的用户权重矩阵和项目权重矩阵；

所述图学习层满足以下条件式：

；

其中， 表示第x+1个嵌入传播层得到的用户‑项目偏好权重，表示sigmoid函数，和 分别是第x+1个嵌入传播层得到的用户嵌入向量和项目嵌入向量，F1和F 2是可训练的矩阵， 表示向量内积操作，表示向量取模运算；

采用自适应幅度剪枝策略动态调整用户‑项目偏好权重的过程中，满足以下条件式：；

；

其中， 表示第x个嵌入传播层得到的用户‑项目偏好权重， 表示第x个嵌入传播层的动态阈值， 表示第x‑1个嵌入传播层的动态阈值， 为权重参数， 表示第x‑1个嵌入传播层得到的用户‑项目偏好权重；

所述源域的域特有节点嵌入向量包括源域的域特有用户节点嵌入向量 、源域的域特有项目节点嵌入向量 ，所述目标域的域特有节点嵌入向量包括目标域的域特有用户节点嵌入向量 、目标域的域特有项目节点嵌入向量 ，所述域共享节点嵌入向量包括用户的域共享节点嵌入向量 和项目的域共享节点嵌入向量 ，所述源域的组合特征向量包括源域的用户组合特征向量 和源域的项目组合特征向量 ，所述目标域的组合特征向量包括目标域的用户组合特征向量 和目标域的项目组合特征向量 ；

所述门控网络层满足以下条件式：

；

；

其中， 表示门控网络层的域共享权重矩阵， 表示门控网络层的源域特有权重矩阵， 表示门控网络层的目标域特有权重矩阵，表示点积运算；

所述最终预测交互评分包括源域的最终预测交互评分 和目标域的最终预测交互评分 ；

所述预测模块满足以下条件式：

；

；

；

其中，X表示嵌入传播层的总数， 表示第1个嵌入传播层的输出结果， 表示第X个嵌入传播层的输出结果， 表示第X‑1个嵌入传播层的输出结果， 表示第1个嵌入传播层的激活函数， 表示第X个嵌入传播层的激活函数， 表示第1个嵌入传播层的可训练矩阵， 表示第X个嵌入传播层的可训练矩阵， 表示第1个嵌入传播层的偏置项， 表示第X个嵌入传播层的偏置项，表示将 映射为评分的预测函数；

在所述预测模块中，源域的损失函数 和目标域的损失函数 分别为：；

；

其中，和 分别表示源域和目标域中选取的用户‑项目交互对， 表示源域的交互评分真实值， 表示目标域的交互评分真实值；

所述预测模块的总损失函数 为：

；

其中，为 的权重系数，为 的权重系数，为控制正则化的权重系数，表示网络参数， 表示L2范数。